基于粒子群算法的聚类和图聚类研究.docVIP

基于粒子群算法的聚类及图聚类研究 【摘要】：核方法是解决非线性模式分析问题的一种有效途径,其核心思想是:首先,通过某种非线性映射将原始数据扩展到合适的高维特征空间;然后,在这个新的空间中分析和处理模式。相对于使用通用非线性学习器直接在原始数据上进行学习的方法,核方法具有明显的优势:首先,核方法的非线性映射可以集成问题相关的先验知识。再者,核方法可以更好地保证泛化性能。还有,在核方法中,计算复杂度与高维特征空间的维数无关,减少了计算的复杂度。因此,核方法能够很好地对图数据结构进行学习。图学习的主要内容包括:频繁子图的挖掘、图聚类、图分类等。其中,频繁子图的挖掘可以作为图聚类和图分类的基础。同时,本文对粒子群算法进行了一定的研究,提出了一种自适应种群的离散粒子群算法,并将其和传统的聚类算法相结合,形成了自适应种群的离散粒子群聚类算法。通过对粒子群拓扑结构进行研究与分析,结合Gbest模型和Lbest模型各自的优点。文中在粒子群算法搜索的前期采用Lbest模型,随着搜索的进行逐渐形成一种多簇结构,在簇内实行全连接的拓扑结构,而簇之间采用环形拓扑结构。不仅保证了粒子群算法的全局搜索能力,而且又很好地控制了粒子群算法的局部搜索能力。实验验证了该算法在聚类方面有着很好的效果。另外,本文提取图中重要程度较高的子结构--主干图(BackBoneGraph)进行分析。而后,利用随机路径核函数来定义主干图核函数,并对不同阶的主干图给予不同的权重。最后,通过自适应种群的离散粒子群算法来对核相似矩阵进行学习。实验结果表明,文中方法能够很好地对图结构数据进行学习。【关键词】：自适应粒子群算法主干图核图数据挖掘 【学位授予单位】：山西财经大学 【学位级别】：硕士 【学位授予年份】：2011 【分类号】：TP301.6 【目录】：摘要6-8Abstract8-111绪论11-141.1研究背景和课题意义111.2本文的主要工作11-121.3本文的组织结构12-142粒子群算法原理及分析14-232.1粒子群优化算法14-162.1.1基本的粒子群算法14-152.1.2标准的粒子群算法15-162.2粒子群算法分析16-192.2.1粒子群算法收敛性16-182.2.2粒子轨迹分析18-192.2.3粒子群算法复杂度192.3与其他算法比较19-212.3.1粒子群算法与遗传算法19-202.3.2粒子群算法与蚂蚁算法比较20-212.4粒子群算法的应用21-233图数据挖掘23-313.1图的基本定义23-253.1.1图与带标签的图23-243.1.2度、路径、连通图24-253.2图数据挖掘的内容25-273.2.1频繁子图挖掘25-263.2.2图关系学习26-273.3图匹配27-313.3.1基于图编辑距离的图匹配283.3.2基于拓扑描述子的图匹配28-293.3.3基于核方法的图匹配29-314自适应种群的离散粒子群聚类算法31-404.1研究背景31-324.2自适应种群的离散粒子群聚类算法32-374.2.1聚类分析32-334.2.2适应值函数和粒子构造33-344.2.3自适应种群的离散粒子群聚类算法34-374.3实验37-384.3.1实验数据374.3.2实验设置374.3.3实验结果37-384.4结束38-405用于图学习的主干图核方法40-485.1研究背景40-415.1.1图核函数40-415.1.2核矩阵学习415.2主干图核方法41-445.2.1相关定义41-435.2.2主干图核函数43-445.3用于核矩阵学习的离散粒子群算法44-455.4实验45-485.4.1实验数据455.4.2实验设置455.4.3实验结果45-48结论48-49参考文献49-53致谢53-54攻读硕士学位期间发表的论文54